[LG]《Strategic PAC Learnability via Geometric Definability》Y Filmus, S Moran, E Nesterova, N Rosenfeld… [Technion – Israel Institute of Technology] (2026)

在策略分类领域，个体可操纵特征后的可学习性是一个悬而未决的难题。过去的方法受困于低 VC 维直觉，本质原因是邻域扩张能把简单类放大成无限复杂类。

本文的核心洞见是：把策略响应重新看作一阶几何可定义性问题。由此，用 Rexp 公式同时刻画分类器与可达邻域这一关键操作，使“存在某个可移动点”变成可控的逻辑结构。

这项工作真正留下的遗产是划清了策略学习的边界：组合简单不够，几何温顺才够。它为后来者打开的新门是用模型论分析博弈式学习，但尚未跨过的门槛是更复杂响应行为的样本界。

arxiv.org/abs/2605.13426 机器学习 人工智能 论文 AI创造营